מערכת מציאות מדומה בקוד פתוח למדידת למידה מרחבית בעכברים מרוסני ראש
March 3rd, 2023
כאן, אנו מציגים הגדרת חומרה ותוכנה פשוטה בקוד פתוח לחקר למידה מרחבית של עכברים באמצעות מציאות מדומה (VR). מערכת זו מציגה מסלול ליניארי וירטואלי לעכבר מרוסן ראש הפועל על גלגל באמצעות רשת של מיקרו-בקרים ומחשב לוח יחיד המריץ חבילת תוכנה גרפית קלה לשימוש של Python.
מערכת קוד פתוח זו של מציאות מדומה היא כלי חשוב לחקר למידה מרחבית במוח מכיוון שהיא מאפשרת לחוקרים להציג קבוצה עקבית של גירויים מרחביים לעכבר מרוסן ראש באמצעות מערך אלקטרוני מודולרי פשוט. יתרונה של מערכת זו הוא שהיא זולה, קלה להתקנה, קומפקטית ומודולרית, המאפשרת בניית מערכים התנהגותיים מרובים לאימון ואינטגרציה עם מערכי התנהגות קיימים מרוסנים לראש. מערכת זו אידיאלית למדידת למידה מרחבית ועכברים מרוסני ראש, אולם באותה מידה היא מסוגלת לספק סביבות מציאות מדומה חזותיות לניסויים במינים ותכשירים אחרים, כולל פסיכופיזיקה אנושית ודימות מוחי.
המדגימות הליך זה יהיו קרלה דיאז והאנה צ'ונג, עוזרות מחקר במעבדה שלנו. כדי להתחיל, חבר את החוטים בין רכיב המקודד הסיבובי לבין ESP32 הסיבובי. למקודדים סיבוביים יש בדרך כלל ארבעה חוטים, חיוביים, GND, A ו- B.חבר אותם באמצעות חוטי מגשר ל- ESP32, 3 0.3 וולט, GND 25 ו- 26 פינים.
חבר את חוטי RX/TX הטוריים בין ESP32 הסיבובי לבין אופן הפעולה ESP32. צור חיבור פשוט של שני חוטים בין ESP32, Serial0 RX/TX הסיבובי ויציאת Serial2 של אופן הפעולה ESP32. חבר את חוטי RX/TX הטוריים בין ESP32 הסיבובי לבין GPIO של מחשב לוח יחיד או חיבור USB ישיר.
צור חיבור דו-חוטי בין פיני GPIO של מחשב לוח יחיד, 14, 15, RX/TX, לבין סיכות ESP32, Serial2, TX/RX 1716 הסיבוביות. לאחר מכן, חבר את ה- USB ESP32 הסיבובי ל- USB של מחשב הלוח היחיד כדי להעלות את קוד המקודד הסיבובי הראשוני. חבר את שסתום הסולנואיד הנוזלי 12 וולט ליציאת המעגל-משולב ULN2803 בקצה השמאלי של לוח המעגלים המודפסים הקטן OMW, חבר את יציאת הליקוק לכניסת המגע ESP32.
חבר את ה- USB ליציאת ה- USB של מחשב הלוח היחיד כדי להעלות תוכניות חדשות לאופן הפעולה ESP32 עבור פרדיגמות ניסוי שונות וללכוד נתוני התנהגות באמצעות שרטוט העיבוד הכלול. לאחר מכן חבר את מתאם הקיר DC 12 וולט למחבר שקע החבית 2.1 מ"מ על התנהגות ESP32 OMW PCB קטן כדי לספק את הכוח עבור שסתום סולנואיד תגמול. חבר את יציאת HDMI two של המחשב על לוח יחיד ליציאת HDMI של המקרן.
פעולה זו תישא את סביבת התוכנה הגרפית המעובדת על-ידי המעבד הגרפי של מחשב הלוח היחיד אל מסך ההקרנה. פתח את חלון המסוף במחשב הלוח היחיד ונווט אל תיקיית Hall Pass VR. הפעל את ממשק המשתמש הגרפי או ממשק המשתמש הגרפי של מציאות מדומה או VR כדי לפתוח את חלון ממשק המשתמש הגרפי.
בחר והוסף ארבעה אלמנטים מתיבת הרשימה עבור כל אחת משלוש התבניות לאורך המסלול, ולאחר מכן לחץ על צור. בחר תמונות רצפה ותקרה מהתפריטים הנפתחים והגדר את אורך הרצועה כשני מטרים עבור קוד לדוגמה זה. תן שם לתבנית זו, אם תרצה.
לחץ על לחצן התחל והמתן עד שחלון המציאות המדומה יתחיל לפני שתלחץ במקום אחר. סביבת התוכנה הגרפית תופיע במסך השני. הפעל את סקיצה העיבוד כדי לרכוש ולהתוות את תנועת הנתונים ההתנהגותיים.
פתח את הפקודה שצוינה ב- IDE העיבוד. שנה את בעל החיים למשתנה מספר העכבר שלך והגדר דקות הפעלה שוות לאורך ההפעלה ההתנהגותית בדקות. לחץ על הפעל כפתור על IDE עיבוד.
בדוק את חלון עלילת העיבוד שאמור להציג את מיקום העכבר הנוכחי במסלול הליניארי הווירטואלי כאשר הגלגל מסתובב יחד עם אזורי התגמול והיסטוגרמות הריצה של הליקוקים, ההקפות והפרסים, המתעדכנים כל 30 שניות. קדם את גלגל הריצה ביד כדי לדמות את העכבר פועל לבדיקה או השתמש בעכבר בדיקה להתקנה הראשונית. לחץ על חלון העלילה ולחץ על מקש Q במקלדת כדי להפסיק לרכוש נתונים התנהגותיים.
קובץ טקסט של האירועים והשעות ההתנהגותיים ותמונה של חלון העלילה הסופי ב- PNG נשמרים כאשר דקות ההפעלה חלפו או כאשר המשתמש לוחץ על מקש Q כדי לצאת. עבור חישול אקראי עם תגמולים שאינם אופרנטיים, הפעל את התוכנה הגרפית GUI תוכנית עם נתיב של אלמנטים חזותיים שרירותיים. לאחר מכן העלה את תוכנית ההתנהגות להתנהגות ESP32 עם תגמולים מרובים שאינם אופרנטיים כדי להתנות את העכבר לרוץ וללקק.
הניחו את העכבר בעדינות במנגנון קיבוע הראש, התאימו את פיה הליקוק למיקום קדמי בלבד לפיו של העכבר ומקמו את גלגל העכבר במרכז אזור מסך ההקרנה. הגדר את שם בעל החיים בשרטוט העיבוד ולאחר מכן לחץ על הפעל בעיבוד IDE כדי להתחיל לרכוש ולהתוות את הנתונים ההתנהגותיים. הפעל את העכבר בסשנים של 20 עד 30 דקות עד שהעכבר ירוץ לפחות 20 הקפות בכל סשן וליקק עבור פרסים המוצגים במקומות אקראיים.
עבור ליקוט אקראי עם תגמולים אופרנטיים בהקפות מתחלפות, העלה את תוכנית ההתנהגות עם אופרנט לסירוגין שווה לאחד ואמן את העכבר עד שהוא מלקק עבור אזורי תגמול לא אופרנטיים ואופרנטיים כאחד. עבור ליקוט אקראי אופרנטי מלא, העלה את תוכנית ההתנהגות עם ארבעה אזורי תגמול אקראיים אופרנטיים ואמן את העכבר עד שהוא מלקק פרסים באופן עקבי לאורך המסלול. בשלב הבא ללמידה מרחבית, הפעל את התוכנה הגרפית עם נתיב של מסדרון חשוך עם רמז חזותי יחיד במרכז.
לאחר מכן העלה את תוכנית ההתנהגות עם אזור תגמול מוסתר יחיד להתנהגות ESP32. תן לעכבר לרוץ במשך 30 דקות עם אזור תגמול נסתר יחיד ורמז חזותי יחיד במסדרון VR וללכוד נתונים במהלך ההפעלה כפי שתואר קודם. הורד את קובץ הנתונים txt מתיקיית שרטוט העיבוד ונתח את הנתונים ההתנהגותיים כדי לצפות בהופעתו של ליקוק סלקטיבי מרחבי כאינדיקטור ללמידה מרחבית.
למידה מרחבית באמצעות סביבת התוכנה הגרפית מוצגת כאן. באמצעות שלבים מתקדמים של אימון על ליקוט אקראי, עכברים למדו לרוץ על ההגה וללקק באופן עקבי לאורך המסלול ברמות נמוכות לפני שעברו למיקום תגמול נסתר אחד כדי להראות למידה מרחבית. במחקר זה, ארבעה מתוך שבעת העכברים למדו את משימת התגמול החבוי עם רמז חזותי יחיד בשניים עד ארבעה מפגשים, כפי שמוצג על ידי ליקוק שלהם ליד אזור התגמול עם סלקטיביות גוברת.
יתר על כן, העכברים הפגינו הן באופן משמעותי בתוך המפגש והן בין הלמידה בסשן. ליקוקים מרחביים בכל הקפה ביום השני הראו ליקוק מוגבר לפני אזור התגמול וליקוק מופחת במקומות אחרים, מה שמצביע על התפתחות של ליקוק ציפייה ספציפי מרחבי. הדבר העיקרי שיש לזכור בעת השימוש במערכת הוא כי עכברים יתפקדו היטב רק אם מחוזקים ונוחים על גלגל הריצה.
לכן, המים מגבילים את בעלי החיים כראוי, מטפלים בהם בעדינות ומוודאים שתנוחת ריסון הראש שלהם אופטימלית לריצה בזמן צפייה במסך ההקרנה. חוקר מדעי המוח יכול לשלב את מערכת הקוד הפתוח הזו של מציאות מדומה עם דימות in vivo או אלקטרופיזיולוגיה כדי לחקור מעגלים של נוירונים שבבסיס למידה מרחבית במוח. אנו חושבים שהפשטות של מערכת VR בקוד פתוח תאפשר לחוקרים לשלב את המערכת במערכי הקלטה עצבית מגוונים.
השליטה המדויקת בגירויים מרחביים בסביבת VR תאפשר לחוקרים לבחון את תרומתם של מעגלי נוירונים ספציפיים ללמידה מרחבית.
View the full transcript and gain access to thousands of scientific videos
סקירה
מחקר זה מציג התקן חומרה ותוכנה פתוח ופשוט להבנה לחקר למידה מרחבית של עכברים באמצעות מציאות מדומה (VR). המערכת מאפשרת לעכברים עם ראש קבוע לנווט מסלול ליניארי וירטואלי, באמצעות מיקרו-בקרים ומחשב לוח יחיד המריץ חבילת תוכנה גרפית של Python.
רכיבי מחקר עיקריים
תחום המדע
- מדעי המוח
- מחקרים התנהגותיים
- יישומי מציאות מדומה במחקר
רקע
- מערכת VR פתוחה זו מספקת סט עקבי של גירויים מרחביים.
- ההתקנה חסכונית, קומפקטית ומודולרית.
- היא מאפשרת אינטגרציה עם התקני התנהגות קיימים עם ראש קבוע.
- המערכת חלה על מינים שונים ומחקרים מעבר לעכברים.
מטרת המחקר
- להציג מערכת קלה לשימוש למדידת למידה מרחבית בעכברים עם ראש קבוע.
- להדגים ולתאר את ההתקנה ופרוטוקולי הפעולה.
- לנתח נתונים התנהגותיים במהלך משימות למידה מרחבית.
שיטות בשימוש
- הפלטפורמה מורכבת ממערכת חומרה פתוחה המשתמשת במיקרו-בקרים ומחשב לוח יחיד.
- המודל הביולוגי כולל עכברים עם ראש קבוע החוקרים סביבות וירטואליות.
- לא נעשה שימוש בזרימות עבודה מולטי-אומיקות במחקר זה.
- השלבים כוללים חיבורים חיווטיים בין רכיבים, העלאה של תוכנה ואינטראקציה עם ממשק משתמש גרפי.
- נתונים התנהגותיים נאספים, ומאפשרים ניתוח של למידה מרחבית באמצעות פרדיגמות ניסוי שונות.
תוצאות עיקריות
- המערכת מאפשרת מעקב אחר התנהגות העכברים על מסלול וירטואלי, ומציגה יכולות למידה מרחבית.
- נתונים התנהגותיים משמעותיים נלכדים, וחושפים את הפוטנציאל לתגובות מותניות במשימות מרחביות.
- הממצאים מצביעים על כך שניתן לאמן עכברים לשייך מיקומים ספציפיים לגמולים.
- ארבעה מתוך שבעה עכברים למדו בהצלחה משימות גמול נסתרות בתנאים מסוימים.
מסקנות
- המחקר מבסס את היכולת של מערכת ה-VR להקל על מחקר של למידה מרחבית במכרסמים.
- הוא מספק מודל למחקרים עתידיים הכוללים ניסויים התנהגותיים במינים שונים.
- התובנות שנרכשו יכולות לתרום להבנת מנגנונים רחבים יותר של למידה מרחבית וזיכרון.
שאלות נפוצות
Executive Industry Relevance
Open-source virtual reality (VR) systems for head-restrained mice enable high-resolution, quantitative measurement of spatial learning and behavior, supporting mechanistic de-risking in early neuroscience discovery. The modular, low-cost platform facilitates integration with electrophysiology and imaging, providing precise control over spatial and contextual cues for target validation. This capability enhances predictive confidence in neural circuit-behavior relationships, informing portfolio decisions in CNS drug discovery.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of spatial learning mechanisms in defined neural circuits under controlled sensory conditions.
- Supports functional target validation by linking circuit activity to behavioral outputs in a reproducible system.
- Facilitates mechanistic de-risking by isolating variables and quantifying behavioral responses to specific cues.
Screening & Assay Development
- Provides a standardized behavioral assay platform for evaluating genetic or pharmacological interventions in spatial learning.
- Delivers reproducible, quantitative outputs such as lap counts, lick rates, and reward zone selectivity.
- Enables scalable, parallelized behavioral testing through modular hardware and software design.
Translational & Preclinical Research
- Aligns behavioral outputs with neural circuit activity, supporting translational biomarker development in CNS research.
- Maintains continuity from in vitro circuit interrogation to in vivo behavioral validation.
- Reduces translational risk by enabling direct measurement of disease-relevant spatial learning phenotypes.
Pipeline & Workflow Integration
This VR system positions within the early discovery to preclinical continuum, bridging neural circuit analysis and behavioral phenotyping for CNS target validation.
- Discovery Biology: Supports hypothesis testing on spatial learning and circuit function with precise stimulus control.
- Screening: Offers assay readiness and reproducibility for compound or genetic screening in behavioral paradigms.
- Analytics: Provides quantitative behavioral metrics and time-stamped event logs for robust statistical analysis.
- Translational Research: Connects neural activity to behavioral endpoints, informing biomarker strategies.
- Enterprise Reuse: Modular, open-source design enables adaptation across diverse neurobehavioral research programs.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in CNS target validation by linking neural circuits to spatial learning behavior.
- Operational Value: Standardizes behavioral assays, improving reproducibility and scalability across research teams.
- Strategic Value: Informs go/no-go decisions by providing quantitative, mechanistically anchored behavioral data.
- Portfolio Impact: Enables risk-adjusted prioritization of CNS targets based on robust behavioral phenotyping.
Implementation Considerations
- Requires expertise in behavioral neuroscience and basic electronics for setup and operation.
- Needs integration with imaging or electrophysiology platforms for circuit-behavior studies.
- Demands cross-team standardization of behavioral protocols and data analysis pipelines.
- Adaptable to various species and experimental paradigms with appropriate hardware modifications.
- Performance depends on animal acclimation and reinforcement protocols, as supported by source guidance.
Biopharma FAQs
Chapters in this video
0:04
Introduction
1:03
Set Up the Rotary Encoder and ESP32 Connections
3:16
Running and Testing the Graphical Software Package
5:08
Mouse Training and Spatial Learning Behavior
7:11
Results: Spatial Learning Using the Graphical Software Environment
8:03
Conclusion
